La tecnología de desplazamiento no miscible de CO₂ en yacimientos de petróleo de baja permeabilidad es de gran importancia para mejorar la recuperación de petróleo y lograr la neutralidad de carbono. Este proceso implica la resolución de ecuaciones fuertemente no lineales, y los métodos numéricos tradicionales enfrentan desafíos de estabilidad numérica y convergencia que requieren la regulación precisa del tamaño de paso temporal y espacial. Por lo tanto, se propuso un método de simulación numérica basado en redes neuronales informadas por la física (Physics-Informed Neural Networks, PINNs) para el desplazamiento no miscible de CO₂ en yacimientos de baja permeabilidad. Este método se basa en la ecuación clásica de flujo Buckley-Leverett (BL), incorporando el gradiente de presión de encendido y el parámetro de solubilidad de CO₂, revelando su influencia acoplada en la propagación del frente de desplazamiento y la evolución de la saturación. Al incluir la ecuación BL y sus condiciones iniciales y de frontera en la función de pérdida de PINNs, la red neuronal cumple automáticamente las restricciones de las ecuaciones de control durante el entrenamiento, y es capaz de modelar procesos complejos de flujo no lineales en un espacio continuo sin malla, mejorando así la estabilidad numérica y la capacidad predictiva del modelo. Para validar la precisión del modelo, la solución numérica se comparó con la solución analítica. Los resultados muestran que el modelo PINNs establecido presenta una alta precisión en la captura de la posición del frente de desplazamiento y la distribución de saturación del fluido, con una diferencia mínima con respecto a la solución analítica, un coeficiente de determinación (R²) superior al 93% y un error absoluto medio de 0.19×10^-2. En comparación con el método tradicional explícito de diferencias finitas, el método de simulación numérica PINNs tiene mayor estabilidad numérica y escalabilidad. Este estudio proporciona una nueva vía de aprendizaje profundo para la simulación numérica del desplazamiento no miscible de CO₂ en yacimientos de baja permeabilidad, ayudando a una comprensión más profunda de los mecanismos de flujo bajo acoplamiento multifísico, y ofreciendo soporte teórico y referencia metodológica para el almacenamiento geológico eficiente de CO₂ y la mejora de la recuperación de petróleo.

redes neuronales informadas por la física;yacimientos de baja permeabilidad;desplazamiento no miscible de CO₂;gradiente de presión de encendido;solubilidad de CO₂;ecuación de Buckley-Leverett